A Comprehensive LC–MS Metabolomics Assay for Quantitative Analysis of Serum and Plasma
Notice bibliographique
Résumé
Background/Objectives: Targeted metabolomics is often criticized for the limited metabolite coverage that it offers. Indeed, most targeted assays developed or used by researchers measure fewer than 200 metabolites. In an effort to both expand the coverage and improve the accuracy of metabolite quantification in targeted metabolomics, we decided to develop a comprehensive liquid chromatography–tandem mass spectrometry (LC–MS/MS) assay that could quantitatively measure more than 700 metabolites in serum or plasma. Methods: The developed assay makes use of chemical derivatization followed by reverse phase LC–MS/MS and/or direct flow injection MS (DFI–MS) in both positive and negative ionization modes to separate metabolites. Multiple reaction monitoring (MRM), in combination with isotopic standards and multi-point calibration curves, is used to detect and absolutely quantify the targeted metabolites. The assay has been adapted to a 96-well plate format to enable automated, high-throughput sample analysis. Results: The assay (called MEGA) is able to detect and quantify 721 metabolites in serum/plasma, covering 20 metabolite classes and many commonly used clinical biomarkers. The limits of detection were determined to range from 1.4 nM to 10 mM, recovery rates were from 80% to 120%, and quantitative precision was within 20%. LC–MS/MS metabolite concentrations of the NIST® SRM®1950 plasma standard were found to be within 15% of NMR quantified levels. The MEGA assay was further validated in a large dietary intervention study. Conclusions: The MEGA assay should make comprehensive quantitative metabolomics much more affordable, accessible, automatable, and applicable to large-scale clinical studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».